JP4784932B2 - 車両判別装置及びそのプログラム - Google Patents

Description

本発明は車両の撮像画像から情報処理技術を用いて車両を判別する装置に関する。

車両の種類を判別する方法には、車両のナンバープレートに記載されている車両登録番号を読み取る方法、車両の車幅及び車長等の寸法に注目する方法、車両表面の各部位や車両と背景との境界部に存在するエッジ成分を抽出する方法、撮像された画像内の車両領域の大きさと車種別車両領域モデルとの比較を用いた方法の４つが提案されている。

特許第２８９８５６２号明細書には、車両のナンバープレートの車種番号を読み取る方法が記載されている。この方法（１番目の背景技術）は、車両を撮影して得られる画像からナンバープレート画像の候補たる候補画像を複数個切り出す第１のステップと、ナンバープレートを構成する各種のコードを示す文字画像の候補たる文字候補画像を各候補画像から切り出し、切り出した文字候補画像に関しテンプレートマッチングを実行することにより、真のナンバープレート画像らしさを示す尤度指標を各候補画像毎に求める第２のステップと、候補画像間で尤度指標を比較することによりいずれの候補画像が真のナンバープレート画像であるかを判定する第３のステップとを有する構成である。

この方法によれば、ナンバープレート画像でない画像がナンバープレート画像として切り出されることを許容し、テンプレートマッチングの結果を利用して真のナンバープレート画像を選択するようにしているため、車両のヘッドライト部やフロントグリルを誤ってナンバープレートとして検出することが防止され、また広告文字や風景の反射によってナンバープレートの誤検出が生じることが防止される。

特開平１１−３５３５８１号公報には、エッジ成分を利用した方法を適用した方法が開示されている。この装置（２番目の背景技術）は、昼間中の道路走行車両の車種を判別する車種判別装置であって、走行車両を撮像するカメラと、前記カメラで撮像された画像に基づき、路面を除去するとともに車両先頭位置を検出し、該車両先頭位置における車幅及び車両のシルエットに基づき車種を判別する処理部とを備えた構成である。すなわち、車両に存在するフロントガラス、サイドガラス、ボンネット、車両の背景に対するシルエットを抽出して、抽出した各構成要素の形状から車種を判別する構成である。具体的には、微分処理によって車両のシルエットを切り出し、更に、このシルエット領域をヘッドライト、ボンネット、フロントガラス、屋根、屋根以降の後方部分といった部位に分割して、分割した各部位を予め保持するデータと比較することで、高精度の車種判別を達成することができる。
前記車両領域の大きさを利用した方法は、撮像された画像内からエッジ処理により、車両であろう領域を抽出し、予め車種ごとに持っている車種別車両領域のデータと比較して車種を判別する方法である。

その他に、特許第２９８３３４４号明細書には、各色成分に関するデータの収集にかかる誤差に影響されることなく、被読取物における情報の配色を正確に判別することが可能な色判別装置が記載されている。この色判別装置（３番目の背景技術）は、複数の色で表現される情報が混在された被読取物より、各色成分に関するデータを収集する収集手段と、この収集手段で収集された前記各色成分に関するデータの生起頻度を算出する算出手段と、この算出手段で算出された生起頻度の極大点を検出する検出手段と、この検出手段で検出された極大点のうちから最も明度の高いものを選択する選択手段と、前記極大点の各色成分に関するデータを、前記選択手段で選択された最も明度の高い極大点からの正規化された方向へのベクトルデータに変換する変換手段と、この変換手段で変換された極大点についてのベクトルデータを複数のグループに分類する分類手段と、この分類手段の分類結果から前記被読取物における複数の色を判別する判別手段とから構成されている。

この色判別装置によれば、各色成分に関するデータの収集にかかる誤差に影響されることなく、被読取物における情報の配色を正確に判別することができる。
特許第２８９８５６２号明細書 特開平１１−３５３５８１号公報 特許第３４１２４５７号明細書 特許第２９８３３４４号明細書

しかしながら、前説した背景技術においては次のような課題を有する。
１番目の背景技術においては、撮像画像が鮮明であれば略確実に車種を判別することができるものの、撮像画像が鮮明でなければ撮像画像からナンバープレート部分を抽出することが困難であり、また、ナンバープレート部分を抽出した場合でも数字の認識が困難であり、これらの場合には車種を判別することができないという課題を有する。

２番目の背景技術においては、フロントガラス、サイドガラス、ボンネット等の車両の構成要素を抽出し、この抽出した車両の構成要素に基づき車種を判別するため正確に車種判別を行うことができるものの、車両の構成要素が撮像画像中に必ず含まれている必要があり、車種判別に必要となる車両の構成要素が撮像画像中に写っていない場合には車種判別することができないという課題を有する。

本発明は、撮像画像にナンバープレートが鮮明に写っていない場合、車種判別に必要となる車両の構成要素が撮像画像に写っていない場合にであっても、少なくとも四輪車か四輪車以外（二輪車、人、動物等）かを判別することができる車両判別装置を提供することを目的とする。

なお、３番目の背景技術においては、地色を判定する際に生起頻度（ヒストグラム）の極大点のうち最も明度が高いものを地色とし、この地色を基準色として文字に相当する色のベクトルデータを正規化して文字色認識を可能としているため、データの収集時の誤差に影響されなく精度高く配色を判別することができるものの、本発明のように車両の判別を行うことができない。特に、ベクトルデータに変換した後に、複数のグループに分類しており、算出された生起頻度との関連性が弱くなる点で相違し、また、特定の生起頻度状態又は特定のクラスタリング状態に着目した技術でもない点で大きく相違する。

本発明の発明者は鋭意努力の末、四輪車が撮影された路面画像と、それ以外の通行物が撮影された画像には次に示すような相違点があることを見い出した。
四輪車の場合は、画像中の約６０％の面積部分で車両が撮影される。一方、同じ撮影角度で撮影した場合、四輪車以外が撮影された場合は、画像中に占める面積は、約２０％程度になる。

そこで、この路面画像に写りこんだ車両の大きさに着目して、画像のＲ成分のヒストグラムを使用してクラスタリングを行い、クラスタに属する要素の並びを判定することで、四輪車かそれ以外かの判別を行う。ここで、路面画像にはセンターラインが写り込むことがあり、このセンターラインの色は白かオレンジの場合であるため、本発明ではＲ成分を採用した。すなわち、白、オレンジともＲ成分を取り出した場合は、ほぼ同じ濃度値を取るために、センターラインの色の相違が及ぼすクラスタリングへの影響を無効にすることが可能になる。

クラスタリング手法としては、公知技術であるクラスタリング手法を使用することができるが、例えば、K-means法(参考文献：高木幹雄、下田陽久、「新編 画像解析ハンドブック」（p1577−ｐ1579）、東京大学出版会)を使用することができる。
Ｒ成分ヒストグラムに対して、クラスタリング数を３に指定して行うと、Ｒ成分のヒストグラムの値は３つのクラスタに分割される。この３つのクラスタを、横軸にヒストグラムの分割、縦軸にヒストグラムの度数を取りグラフを描くと、クラスタに属する要素の連続性に、四輪車の場合とそれ以外の場合で、明確な特徴が出現する。四輪車の場合はクラスタに属する要素の連続性がしきい値以下になるプロット結果をもつ。四輪車以外の場合はあるクラスタに属する要素に連続性があり、ヒストグラムの分割度数の値０から分割度数の大きくなる方向に向かって連続性を調査していくと、しきい値以上の連続性を持ち、ほぼ中央付近で不連続、その後、再びしきい値以上の連続性を分割度数の最も大きな値まで持つ。

このようなクラスタ結果を持つための必要十分条件は、撮像された画像のＲ濃度ヒストグラムの形状が、図１に示すようにヒストグラム曲線の極大点をＡとし、（ＡのＹ座標の値）×２０［％］に位置するヒストグラム曲線上の点をＢ１、Ｂ２としたときに、このＹ=（Ｂ１、Ｂ２のＹ座標の値）の２点を結ぶ直線の距離Ｗが全体画像の１０［％］〜３０［％］で構成されている必要がある。ただし、撮像画像によりこの値は変化する場合がある。
一方四輪車の場合は画像のＲ濃度ヒストグラムの形状がこれ以外の場合でなければならない。

なお、本発明における四輪車とは、セダン等の普通自動車、バスや大型トラック等の大型自動車を含む。当然ながらタイヤが四個配設された車両だけでなく、四個以上のタイヤが配設された車両、四個以下のタイヤが配設された車両を含むものである。タイヤが四個以上配設された車両とは大型トラックが一例であり、タイヤが四個以下配設された車両とは三輪車が一例である。すなわち、対象画像に写り込んだ車両が所定領域以上の占有スペースを有する車両か否かを本発明は判別することができるものであり、この本発明の要旨を逸脱しない範囲で四輪車を解釈することができる。

（１） 本発明に係る車両判別装置は、車両を撮像する撮像装置で撮像された対象画像をヒストグラム処理するヒストグラム作成手段と、ヒストグラムデータを所定のクラスタ数でクラスタリングするクラスタリング手段と、クラスタデータから最小濃度からのクラスタラベル番号の連続性を特定する第１の特定手段と、クラスタデータから最大濃度からのクラスタラベル番号の連続性を特定する第２の特定手段と、最小濃度のクラスタラベル番号と最大濃度のクラスタラベル番号とが同一であるという第１の判別条件、最小濃度からのクラスタラベル番号の連続性が第１の閾値より大きいという第２の判別条件、並びに、最大濃度からのクラスタラベル番号の連続性が第２の閾値より大きいという第３の判別条件を満たす場合に、対象画像に四輪車が写り込んでいないと判別し、第１の判別条件、第２の判別条件及び第３の判別条件のいずれかを満たさない場合に、対象画像に四輪車が写り込んでいると判別する車両判別手段とを備えるものである。

したがって、対象画像をヒストグラム化し、ヒストグラムデータをクラスタリングし、クラスタリングデータが所定の条件を満たすか否かで撮像画像に写り込んでいる車両が四輪車か四輪車以外かの車両判別を行っているので、車両が写り込んでいる撮像画像の特性を利用して精度高く車両判別を実施することができる。特に、クラスタリングした後に所定条件を具備するか否かを判定しており、ヒストグラムデータを直接車両判別条件の具備を判断する方法に比して正確且つ迅速に車両判別を行うことができる。

（２） 本発明に係る車両判別装置は、車両を撮像する撮像装置で撮像された対象画像からＲ成分を取り出してヒストグラム処理するヒストグラム作成手段と、ヒストグラムデータを所定のクラスタ数でクラスタリングするクラスタリング手段と、クラスタデータから最小濃度からのクラスタラベル番号の連続性を特定する第１の特定手段と、クラスタデータから最大濃度からのクラスタラベル番号の連続性を特定する第２の特定手段と、最小濃度のクラスタラベル番号と最大濃度のクラスタラベル番号とが同一であるという第１の判別条件、最小濃度からのクラスタラベル番号の連続性が第１の閾値より大きいという第２の判別条件、並びに、最大濃度からのクラスタラベル番号の連続性が第２の閾値より大きいという第３の判別条件を満たす場合に、対象画像に四輪車が写り込んでいないと判別し、第１の判別条件、第２の判別条件及び第３の判別条件のいずれかを満たさない場合に、対象画像に四輪車が写り込んでいると判別する車両判別手段とを備えるものである。
したがって、路面及び車両以外の白やオレンジの車線が撮像画像に写り込んでいたとしても、白のＲ成分の濃度値とオレンジのＲ成分の濃度値とが略同じであるため、車両を正確に判別することができる。

（３） 本発明に係る車両判別装置は必要に応じて、クラスタラベル番号の連続性に基づき閾値を決定する閾値決定手段を新たに備え、前記撮像装置で撮像される画像のうち車両が写り込んでいない対象画像をヒストグラム作成手段でヒストグラム処理し、ヒストグラムデータをクラスタリング手段でクラスタリングし、第１の特定手段で最小濃度からのクラスタラベル番号の連続性を特定し、第２の特定手段で最大濃度からのクラスタラベル番号の連続性を特定し、最小濃度からのクラスタラベル番号の連続性に基づき閾値決定手段が第１の閾値を決定し、最大濃度からのクラスタラベル番号の連続性に基づき閾値決定手段が第２の閾値を決定するものである。

したがって、車両が写り込んでいない撮像画像に基づき四輪車以外が写り込んでいる場合の判別条件の閾値を決定しているので、撮像環境に合わせてシステム構築者、システム運用者が設定することなく、自動的に閾値を設定することができる。特に定期的に自動的に閾値を見直す構成の場合には、システム構築時だけでなく、撮像画像に移りこむあらゆるオブジェクトの一部が変更された場合であっても自動的に閾値が修正され、システム障害を回避することができる。

（４） 本発明に係る車両判別システムは、所定範囲を通過する車両を撮像する撮像装置と、撮像された対象画像から車両が四輪車か四輪車以外かを判別する車両判別装置とを備える車両判別システムであって、前記車両判別装置が、前記撮像装置で撮像された対象画像からＲ成分を取り出してヒストグラム処理する手段と、ヒストグラムデータを所定のクラスタ数でクラスタリングする手段と、クラスタデータから最小濃度からのクラスタラベル番号の連続性を特定する手段と、クラスタデータから最大濃度からのクラスタラベル番号の連続性を特定する手段と、最小濃度のクラスタラベル番号と最大濃度のクラスタラベル番号とが同一であるという第１の判別条件、最小濃度からのクラスタラベル番号の連続性が第１の閾値より大きいという第２の判別条件、並びに、最大濃度からのクラスタラベル番号の連続性が第２の閾値より大きいという第３の判別条件を満たす場合に、対象画像に四輪車が写り込んでいないと判別し、第１の判別条件、第２の判別条件及び第３の判別条件のいずれかを満たさない場合に、対象画像に四輪車が写り込んでいると判別する車両判別手段と、車両判別結果を出力する手段とを備えるものである。本発明は、前記車両判別装置を含めた車両判別システムとして捉えることができる。

（５） 本発明に係る車両判別プログラムは、コンピュータを、車両を撮像する撮像装置で撮像された対象画像からＲ成分を取り出してヒストグラム処理する手段と、ヒストグラムデータを所定のクラスタ数でクラスタリングする手段と、クラスタデータから最小濃度からのクラスタラベル番号の連続性を特定する手段と、クラスタデータから最大濃度からのクラスタラベル番号の連続性を特定する手段と、最小濃度のクラスタラベル番号と最大濃度のクラスタラベル番号とが同一であるという第１の判別条件、最小濃度からのクラスタラベル番号の連続性が第１の閾値より大きいという第２の判別条件、並びに、最大濃度からのクラスタラベル番号の連続性が第２の閾値より大きいという第３の判別条件を満たす場合に、対象画像に四輪車が写り込んでいないと判別し、第１の判別条件、第２の判別条件及び第３の判別条件のいずれかを満たさない場合に、対象画像に四輪車が写り込んでいると判別する車両判別手段として機能させるためのものである。本発明は、前記車両判別装置を車両判別プログラムとして捉えることができる。
これら前記の発明の概要は、本発明に必須となる特徴を列挙したものではなく、これら複数の特徴のサブコンビネーションも発明となり得る。

ここで、本発明は多くの異なる形態で実施可能である。したがって、下記の実施形態の記載内容のみで解釈すべきではない。また、実施形態の全体を通して同じ要素には同じ符号を付けている。
実施形態では、主に装置について説明するが、所謂当業者であれば明らかな通り、本発明はコンピュータで使用可能なプログラム、システム、方法としても実施できる。また、本発明は、ハードウェア、ソフトウェア、または、ソフトウェア及びハードウェアの実施形態で実施可能である。プログラムは、ハードディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、光記憶装置または磁気記憶装置等の任意のコンピュータ可読媒体に記録できる。さらに、プログラムはネットワークを介した他のコンピュータに記録することができる。

（本発明の第１の実施形態）
［１．システム構成］
図２は本実施形態に係る撮像環境の説明図である。本実施形態では撮像装置１０を工場敷地内に敷設された道路脇に配置し、工場母屋内に車両判別装置２００を配置している。撮像装置で撮像された撮像画像は、撮像装置と車両判別装置を結ぶ通信路を介して車両判別装置に送信され、車両判別装置は受信した撮像画像に情報処理を施して車両判別結果を出力する。車両判別結果は管理者が操作する管理コンピュータ３０で集計され、敷地内に入場している車両数を四輪車と四輪車以外毎に表示する。これらの情報は、例えば、警備上用いることができる他、工場施設増設の設計時に用いることができる。

図３は本実施形態に係るシステム構成図及び車両判別装置のハードウェア構成図である。車両判別装置２００のハードウェアの構成は、一般のコンピュータの構成であり、ＣＰＵ(Central Processing Unit)２１０、ＤＲＡＭ(Dynamic Random Access Memory)２２０等のメインメモリ、外部記憶装置であるＨＤ(hard disk)２３０、表示装置であるディスプレイ２４０、入力装置であるキーボード２５０及びマウス２６０、ネットワークに接続するための拡張カードであるＬＡＮカード２７０、ＣＤ−ＲＯＭドライブ２８０等からなる。つまり、ＣＤ−ＲＯＭ等の記憶媒体に格納された車両判別プログラム、または、ネットワークを介して他のコンピュータから送信される車両判別プログラムを、コンピュータのＨＤ２３０に複製しメインメモリ２２０に適切に読み出し可能な状態にするインストールが実行され、一般のコンピュータが車両判別装置を構成している。なお、一般のコンピュータではなく車両判別装置に特化したハードウェアを用いて車両判別装置を構成することもできる。具体的には、車両判別装置上のロジックをＡＳＩＣ（Application Apecific IC）で実装し、メモリ等の複数のＬＳＩと共にシステムＬＳＩで車両判別装置を構成することもできる。
管理コンピュータ３０もハードウェアの構成は、車両判別装置２００と同様に、一般のコンピュータの構成である。ここで、車両判別装置２００と管理コンピュータ３０とを同一のコンピュータ上に構築することもできる。

図４は本実施形態に係る車両判別装置のブロック構成図である。車両判別装置２００は、撮像装置１０からの撮像画像データを取り込む入力部２１１と、撮像画像をヒストグラム処理するヒストグラム作成部２１２と、ヒストグラムデータをクラスタリングするクラスタリング部２１３と、クラスタデータ内でのプロットの連続性を特定する連続性特定部２１４と、車両が四輪車かそれ以外であるかを判別する車両判別部２１５と、車両判別データを出力する出力部２１６とを備える構成である。ここでのブロック構成図は一例であり、所謂当業者であれば適宜設計変更を実施してブロック構成を変えることができるのは勿論である。

撮像装置１０は２台あり、１台は入場する車両を撮像すべく入場方向の所定範囲を撮像し、残り１台は退場する車両を撮像すべく退場方向の所定範囲を撮像する。図５は本実施形態に係る撮像装置で撮像された撮像画像（車両が撮像されず路面のみが撮像された場合）である。図６は本実施形態に係る撮像装置で撮像された撮像画像（四輪車が撮像された場合）である。図７は本実施形態に係る撮像装置で撮像された撮像画像（二輪車が撮像された場合）である。撮像装置は例えばＣＣＤカメラが該当する。

［２．ヒストグラム処理］
ヒストグラム（濃度ヒストグラムと呼称する場合もある）は、画像の濃度値の分布を示す。具体的には、画像の濃度値を横軸に取り、その濃度値をもつ画素数を縦軸にとったグラフのことである。画像処理の分野であれば、コントラストを改善する方法で用いられる。ヒストグラム作成部２１２は、撮像画像データから各濃度値の画素数を演算してヒストグラムデータを作成する。

本実施形態ではヒストグラム部２１２は撮像画像データ中Ｒ成分のみを対象として、ヒストグラムデータを作成する。ここで、カラー画像の各成分が８ビットからなるときは、８ビットすなわち２５６通りの濃度が存在することになる。この２５６通りの濃度毎に画素数を演算して求めてもよいが、本実施形態ではより単純化して８通り毎に一まとめにして画素数を求める。つまり、３２個の濃度範囲に分類される。図８は図６をヒストグラム処理して生成したヒストグラム図である。図９は図７をヒストグラム処理して生成したヒストグラム図である。

図８のヒストグラム図では濃度範囲１４で画素数が偏り１つの山を形成し、また、濃度範囲３０で再び山が形成されている。一方、図９のヒストグラム図では濃度範囲２０で１つの山が大きく形成されている。図８と図９ではグラフの縦軸のスケールが異なり、図９のヒストグラム図の山は他の山に比して非常に大きい。また、図８は図９に比して平滑なグラフとして捉えることもできる。このような大きな山が形成されるのは、四輪車以外の二輪車（自動二輪車、原動付き自転車）、自転車、人、動物の撮像画像の場合には路面が占める割合が大きく、路面の色を構成する成分の濃度値の画素数が多くなるためである。

したがって、このような四輪車以外の場合にはこのような山が形成される特性があり、この特性に合致するヒストグラムを撮像画像に見い出すことで四輪車以外が撮像されていることが判明する。逆に、かかる特性を有しない場合には、四輪車が写り込んでいる撮像画像であることが判明する。そこで、撮像画像がこのような特性を有する否かをパターンマッチングにて判定する方法を適用することもできるが、本実施形態では、クラスタリング後に判定する。

［３．クラスタリング］
クラスタリング（クラスタ解析と呼称する場合もある）は、データ解析の１つであり、画像解析、パターン認識、データマイニング、バイオインフォマティックスなどの多くの情報処理技術の分野で採用されている。一般的には、クラスタリングは、対象データを部分集合（クラスタ）に切り分け、それぞれの部分集合に含まれるデータが所定の共通性を有するように処理する。所定の共通性とは、距離尺度、類似性等である。

クラスタリングはデータを階層的に分類する階層型手法と、特定のクラスタ数に分類する非階層型手法とがある。階層型手法の代表格としてはウォード法(Ward's method)があり、非階層型手法の代表格としてはＫ平均法(K-means)がある。本実施形態では、Ｋ平均法を用いる。Ｋ平均法ではクラスタ平均を用いてデータを所定クラスタ数に分類する。クラスタリングは、様々な周知技術が存在し当業者は種々の周知技術を採ることができ、ここでは詳細な説明は省略する。一般的には、パラメータの決定、初期クラスタ中心の決定、個体の再配置、クラスタ中心の修正、収束判定、微小クラスタおよび孤立個体の除去、終了判定、分割、融合、クラスタ統計量を算出する構成を取る。ここで、個体の再配置（対象データとクラスタのユークリッド距離を計算し、距離が最小となるクラスタに対象データを分類する）、クラスタ中心の修正（分類された対象データで各クラスタの重心を再計算）、収束判定（再分類された対象データ数が閾値以下であれば収束したとみなす）の処理を通常（狭義の）Ｋ平均法と呼んでいる。

本実施形態では、クラスタリング部２１３で、前記ヒストグラムデータを対象としてクラス数を３としてクラスタリングを行った。図１０は図８をクラスタリングしたグラフ図である。図１１は図９をクラスタリングしたグラフ図である。
図８のヒストグラムが各濃度範囲で画素数が比較的変化し、連続した濃度範囲で略同じ画素数となる部分が散在しているため、図１０のグラフ図においても連続した濃度範囲で同じクラスタラベル番号となる部分が散在している。一方、図９のヒストグラムが一つの山の濃度範囲を除いて連続した濃度範囲で同じ画素数となっているため、図１１のグラフ図においても山の濃度範囲に相当する部分を除き連続した濃度範囲で同じクラスタラベル番号となっている。

クラスタリングした場合であっても前説したような四輪車とそれ以外とで生じる撮像画像の特性が保持されているため、クラスタデータを評価することで四輪車か否かを判別することができる。すなわち、山の濃度範囲を除いてクラスタラベル番号の連続性の有無を評価し、連続性があれば四輪車でないと判定し、連続性がなければ四輪車であると判定することができる。すなわち、山の濃度範囲を除いた前後の連続性がそれぞれ所定の閾値以上であるかどうかが、車両の判別条件となる。

［４．連続性］
連続性特定部２１４が最小濃度範囲からのクラスタラベル番号の連続性と最大濃度範囲からのクラスタラベル番号の連続性を特定する。図１０では最小濃度範囲１でクラスタラベル番号０、続く濃度範囲２でクラスタラベル番号０、続く濃度範囲３でクラスタ番号１となり、最小濃度範囲からのクラスタラベル番号の連続性は２であると連続性特定部２１４が特定する。また、最大濃度範囲３２でクラスタラベル番号０、続く濃度範囲３１でクラスタラベル番号０、続く濃度範囲３０でクラスタラベル番号２となり、最大濃度範囲からのクラスタラベル番号の連続性は２であると連続性特定部２１４が特定する。同様に、連続性特定部２１４が図１１について最小濃度範囲からのクラスタラベル番号の連続性は１５であり、最大濃度範囲からのクラスタラベル番号の連続性は１２であると特定する。

［５．車両判別］
車両判別部２１５が最小濃度範囲からのクラスタラベル番号の連続性と第１の閾値とを比較し、最大濃度範囲からのクラスタラベル番号の連続性と第２の閾値とを比較し、最小濃度範囲からのクラスタラベル番号と最大濃度範囲からのクラスタラベル番号とが同じであり、最小濃度範囲からのクラスタラベル番号の連続性が第１の閾値より大きく、且つ、最大濃度範囲からのクラスタラベル番号の連続性が第２の閾値より大きい場合（判別条件）に、現在対象としている撮像画像には四輪車以外のものが撮像されていると判別し、一方、前記判別条件を満たさない場合に、現在対象としている撮像画像には四輪車が撮像されていると判別する。

閾値自体は図１に示すグラフデータを用いて一般的に求めることもできるが、詳細には撮像領域によっては撮像装置が配置される環境の条件に依存する場合もあるため、車両判別装置を導入時にテストをしながら設定する必要が生じることもある。すなわち、上述の例で示したように、最小濃度範囲に対応する連続性を判定する第１の閾値と、最大濃度範囲に対応する連続性を判定する第２の閾値とを有する構成にすることにより、撮像装置が配置された場所における環境変化への対応が容易となる。

ここで、判別条件の最初の条件となる「最小濃度範囲からのクラスタラベル番号と最大濃度範囲からのクラスタラベル番号とが同じであること」は、前記連続性特定部２１４で判定することもできる。
なお、最小濃度範囲に対応する連続性を判定する閾値と、最大濃度範囲に対応する連続性を判定する閾値を、同一の閾値とする構成としても良い。

［６．フローチャートによる動作説明］
図１２は本実施形態に係る車両判別装置の動作フローチャートである。図１３及び図１４は本実施形態に係る車両判別装置の連続性特定処理の詳細フローチャートである。
プロセッサ２１０（入力部２１１）が撮像装置１０から撮像画像を受信して取り込む（ステップ１００）。リアルタイムに撮像装置１０は撮像画像を撮像直後に車両判別装置２００に送信することもできるし、所定回数の撮像回数又は所定時間後に送信してもよい。

プロセッサ２１０（ヒストグラム作成部２１２）が取り込まれた撮像画像に対してヒストグラム処理を実施し、ヒストグラムデータを作成する（ステップ２００）。ヒストグラムデータは濃度範囲と画素数からなる。
プロセッサ２１０（クラスタリング部２１３）がヒストグラムデータに対して所定のクラスタ数でＫ平均法を用いてクラスタリングし、クラスタデータを作成する（ステップ３００）。クラスタデータは濃度範囲とクラスタラベル番号とからなる。
プロセッサ２１０（連続性特定部２１４）がクラスタデータから連続性を特定し、連続性データを作成する（定義済ステップ４００）。連続性データは最小濃度範囲からのクラスタラベル番号の連続性と最大濃度範囲からのクラスタラベル番号の連続性とからなる。

ここで、定義済ステップ４００は、次の処理からなる。ここで、Ｘは濃度範囲であり、Ｙはクラスタラベル番号とし、Ｙ（Ｘ）は濃度範囲Ｘのときのクラスタラベル番号を示す。プロセッサ２１０はＣｏｕｎｔｅｒ１を０に初期化する（図１３参照。ステップ４０１）。プロセッサ２１０はＣｏｕｎｔｅｒ２を０に初期化する（ステップ４０２）。プロセッサ２１０はＸを１に初期化する（ステップ４０３）。プロセッサ２１０はＹ（Ｘ−１）とＹ（Ｘ）の値が同じか否かを判断する（ステップ４１１）。同じであると判断した場合には、Ｃｏｕｎｔｅｒ１を１インクリメントする（ステップ４１２）。プロセッサ２１０はＸの値が３１であるか否かを判断する（ステップ４１３）。Ｘの値が３１でないと判断した場合には、Ｘを１インクリメントし（ステップ４１４）、ステップ４１１に戻る。Ｘの値が３１であると判断した場合には、プロセッサ２１０がＸの値を３１に設定する（ステップ４２１）。前記ステップ４１１で同じでないと判断した場合には、ステップ４２１に進む。プロセッサ２１０はＹ（Ｘ−１）とＹ（Ｘ）の値が同じか否かを判断する（図１４参照。ステップ４３１）。同じであると判断した場合には、Ｃｏｕｎｔｅｒ２を１インクリメントする（ステップ４３２）。プロセッサ２１０はＸの値が１であるか否かを判断する（ステップ４３３）。Ｘの値が１でないと判断した場合には、Ｘを１デクリメントし（ステップ４３４）、ステップ４３１に戻る。Ｘの値が１であると判断した場合には、プロセッサ２１０がＸの値を１に設定する（ステップ４４１）。前記ステップ４３１で同じでないと判断した場合には、ステップ４４１に進む。そして、定義済ステップ４００は終了する。

プロセッサ２１０（車両判別部）が連続性データから撮像されている車両が四輪車かそれ以外かを判別し、車両判別データを作成する（ステップ５００）。具体的には、最小濃度範囲のクラスタラベル番号と最大濃度範囲のクラスタラベル番号とが同じで、最小濃度範囲のクラスタラベル番号の連続性が第１の閾値より大きく、且つ、最大濃度範囲のクラスタラベル番号の連続性が第２の閾値より大きい場合（判別条件）に撮像画像に写り込んでいる車両が四輪車でないと判断し、判別条件を満たさない場合に撮像画像に写り込んでいる車両が四輪車であると判断する。車両判別データは、四輪車か否かのフラグからなる。
プロセッサ２１０（出力部２１６）が車両判別データを、撮影画像、撮影時刻及び撮影場所識別情報と共に集計装置である管理コンピュータ３０に出力する（ステップ６００）。

管理コンピュータ３０は、撮像装置１０毎に四輪車と四輪車以外を積算する。そして、入場する車両を撮像する撮像装置の積算結果から退場する車両を撮像する撮像装置の積算結果を減算することで、現在工場内に入場している車両数を四輪車と四輪車以外とを区別して管理者コンピュータのディスプレイに表示する。

［７．本実施形態の効果］
このように本実施形態に係る車両判別装置によれば、撮像装置１０から取り込んだ撮像画像をヒストグラム化し、ヒストグラム化したデータをさらにクラスタリングし、クラスタリングデータが所定の連続性を有するか有しないかで撮像画像に写り込んでいる車両が四輪車か四輪車以外かを判別することができる。特に、ヒストグラムデータをパターンマッチングで比較し四輪車か否かを判断する方法と比べ、高いレスポンス性を有する。

（本発明の第２の実施形態）
［１．システム構成］
図１５は本実施形態に係る車両判別装置のブロック構成図である。
本実施形態に係る車両判別装置は、前記第１の実施形態に係る車両判別装置と同様に構成され、クラスタリング部２１３及び連続特定部２１４の代わりに取り込まれたデータを平滑する平滑化部２１７と濃度範囲グループ毎に画素数を合算して全画素数での割合を算出する割合算出部２１８を新たに備え、前記車両判別部２１５が濃度範囲グループ毎の合算画素数の全体画素数での割合から四輪車か四輪車以外かを判別することを異にする構成である。前記第１の実施形態と同じ要素には同じ番号、ステップを付与しており、別途説明のない要素は同一である。

前記平滑化部２１７は、濃度範囲の画素数を近傍の濃度範囲の画素数で平滑する機能を有する。ある濃度範囲を対象としてこの対象の濃度範囲を中心として予め定められた基準値数分の濃度範囲の画素数の平均を求め、その平均値を対象の濃度範囲の画素数とする。平滑化処理の具体例を次に示す。ヒストグラムとして濃度範囲０で画素数３（以下（０、３）と示す）、（１、５）、（２、６）、（３、４）、（４、７）…があるとし、基準値を５とする。濃度範囲０から処理するとして、濃度範囲を中心として５個の濃度範囲は０より前に濃度範囲が存在しないため対象となる画素範囲は０、１、２となり、その濃度範囲の画素数の平均値は（（３＋５＋６）／３）より４となって濃度範囲０の画素数が３から４となる。次に、濃度範囲１を対象とすると同様に（（４＋５＋６＋４）／４）から濃度範囲１の画素数が５から４となる。ここで、濃度範囲１を対象とした場合の平均値を求める場合に濃度範囲０の画素数は既に濃度範囲０を基準として平滑した後の値を使用しているが、平滑前の画素数を用いて算出してもよい。このようにヒストグラムデータを平滑化することで、特定の濃度範囲での突出した画素数を平滑化し、例えば、夜間のヘッドライト、昼間の太陽の反射光などの影響を抑え、後段の車両判別を正確に行うことができる。ただし、この平滑化は実行することが望ましいのであって平滑化の処理を実行しない場合でも本実施形態の車両判別を実施することは可能であり、本発明が平滑化を伴うものに限定されるものではない。また、ここでの平滑化は濃度範囲の画素数に対して実行されるものであるが、撮像画像に対して画像処理の平滑化処理（ぼかしとも呼称される）を施した後に、ヒストグラム作成部２１２でヒストグラムを作成し、割合算出部２１８へ出力する構成にすることもできる。さらに、ここでの平滑化はヒストグラムに対して何度行うこともできるが、実行しすぎると逆に車両判別に支障をきたすことにもなるので、２回程度が望ましい。

割合算出部２１８は、濃度範囲の画素数の集合であるヒストグラムデータに対し、連続する複数の濃度範囲を濃度範囲グループとし、全ての濃度範囲がいずれかの濃度範囲グループに所属するようにし、その濃度範囲グループに属する濃度範囲の画素数を合計し、それぞれの濃度範囲グループの合算画素数の全体の画素数に占める割合を算出する機能を有する。割合とは比率でもあり例えば百分率（百分比ともいう）で示すことができる。前記第１の実施形態では３２個の濃度範囲を有しており、例えば、第１の濃度範囲グループを０から８の濃度範囲とし、第２の濃度範囲グループを９から２１の濃度範囲とし、第３の濃度範囲グループを２２から３１の濃度範囲とすることができる。第１の濃度範囲グループの合算画素数の全体の画素数に占める割合は、（第１の濃度範囲グループの合算画素数／（第１の濃度範囲グループの合算画素数＋第２の濃度範囲グループの合算画素数＋第３の濃度範囲グループの合算画素数））で算出することができる。第２の濃度範囲グループの割合、第３の濃度範囲グループの割合も、分子をそれぞれの濃度範囲グループの合算画素数とすることで求めることができる。

車両判別部２１５は、濃度範囲グループ毎の割合に基づき四輪車か四輪車以外かを判別する。濃度範囲グループ毎の割合全てを用いて判別してもよいし、その中のいくつかの濃度範囲グループの割合を用いて判別してもよい。［実証］で後記するが、例えば、第１の濃度範囲グループの割合が３０［％］未満、第２の濃度範囲グループの割合が７０［％］以上且つ第３の濃度範囲グループの割合が３０［％］未満の場合には四輪車以外であると判別し、それ以外の場合には四輪車と判別する。

割合算出部２１８で説示した濃度範囲グループのグループ分けも、車両判別部２１５で説示した四輪車か否かの条件も後記する［実証］で既に実験がなされており、撮像環境が異なって多少の変更はあったとしても、原則としてこの条件を基に微調整を行うことで実際に車両判別装置を実現することができる。

［２．フローチャートによる動作説明］
図１６は本実施形態に係る車両判別装置の動作フローチャート、図１７は本実施形態に係る車両判別装置の詳細フローチャートである。
ステップ１００、２００については第１の実施形態と同様であるため説明を省略する。
プロセッサ２１０がＲ濃度のヒストグラムデータから各濃度範囲グループ毎の合算画素数の全画素数での割合を求める（ステップ７００）。このステップ７００は定義済ステップであり、詳細は後記する。

プロセッサ２１０（車両判別部２１５）が各濃度範囲グループ毎の合算画素数の全画素数での割合から撮像されている車両が四輪車かそれ以外かを判別し、車両判別データを作成する（ステップ８００）。具体的には、第１の濃度範囲グループの割合が３０［％］未満、第２の濃度範囲グループの割合が７０［％］以上且つ第３の濃度範囲グループの割合が３０［％］未満の場合には四輪車以外であると判別し、それ以外の場合には四輪車と判別する。車両判別データは、四輪車か否かのフラグからなる。
ステップ６００については第１の実施形態と同様であるため説明を省略する。

前記定義済みステップ７００は、次の処理からなる。
プロセッサ２１０（平滑化部２１７）はヒストグラム作成部２１２からのヒストグラムデータを平滑化処理し（ステップ７０１）、平滑済みヒストグラムデータを割合算出部２１８に送り出す。
プロセッサ２１０（割合算出部２１８）は平滑済みヒストグラムデータを濃度範囲グループ毎に画素数を合算し（ステップ７１１）、それぞれの濃度範囲グループの合算画素数を全ての画素数で除算して濃度範囲グループ毎の割合を求め（ステップ７２１）、全ての濃度範囲グループの割合からなる割合データを車両判別部２１５に送り出す。ただし、車両判別で使用しない濃度範囲グループの割合がある場合にはその濃度範囲グループの割合を求めず割合データの対象外とすることもできる。

［３．実証］
図１８または図１９は本実施形態に係る車両判別装置のヒストグラムグラフ図及びその濃度範囲グループ毎の画素数の割合を示すグラフである。図１８は四輪車のグラフであり、図１９はバイクのグラフである。
撮像装置を用いて四輪車、バイクを撮像した撮像画像を使用して車両判別装置でヒストグラムデータ、割合データを求めた。撮像画像に撮像した四輪車、バイクはそれぞれ異なる四輪車、バイクである。

ここでの濃度範囲グループは３つとし、第１の濃度範囲グループが０ないし８の濃度範囲とし、第２の濃度範囲グループが９ないし２１の濃度範囲とし、第３の濃度範囲グループが２２ないし３１の濃度範囲とする。ここで、０の濃度範囲は図中のヒストグラムグラフでは１の濃度範囲が対応し、以下繰り上がって対応している。

図１８（ａ）で示すヒストグラムデータから図１８（ａ´）で示す割合データを求めた。第１の濃度範囲グループの割合は１６［％］、第２の濃度範囲グループの割合は６０［％］、第３の濃度範囲グループの割合は２３［％］である。同様に、図１８（ｂ´）において第１の濃度範囲グループの割合は１６［％］、第２の濃度範囲グループの割合は５９［％］、第３の濃度範囲グループの割合は２５［％］である。図１８（ｃ´）において第１の濃度範囲グループの割合は１４［％］、第２の濃度範囲グループの割合は６２［％］、第３の濃度範囲グループの割合は２３［％］である。図１８（ｄ´）において第１の濃度範囲グループの割合は２３［％］、第２の濃度範囲グループの割合は４７［％］、第３の濃度範囲グループの割合は３０［％］である。図１８（ｅ´）において第１の濃度範囲グループの割合は２４［％］、第２の濃度範囲グループの割合は５５［％］、第３の濃度範囲グループの割合は２１［％］である。

これら図１８の各撮像画像の濃度範囲グループの割合は、全て「第１の濃度範囲グループの割合が３０［％］未満、第２の濃度範囲グループの割合が７０［％］以上且つ第３の濃度範囲グループの割合が３０［％］未満」という条件を満たさず車両判別装置により四輪車と判別され、実際に撮像画像に撮像されているものも四輪車であり、その判別は正しかった。

他方、図１９（ａ´）において第１の濃度範囲グループの割合は１４［％］、第２の濃度範囲グループの割合は７２［％］、第３の濃度範囲グループの割合は１３［％］である。図１９（ｂ´）において第１の濃度範囲グループの割合は１４［％］、第２の濃度範囲グループの割合は７５［％］、第３の濃度範囲グループの割合は１０［％］である。図１９（ｃ´）において第１の濃度範囲グループの割合は９［％］、第２の濃度範囲グループの割合は７７［％］、第３の濃度範囲グループの割合は１４［％］である。図１９（ｄ´）において第１の濃度範囲グループの割合は９［％］、第２の濃度範囲グループの割合は７７［％］、第３の濃度範囲グループの割合は１４［％］である。図１９（ｅ´）において第１の濃度範囲グループの割合は７［％］、第２の濃度範囲グループの割合は８５［％］、第３の濃度範囲グループの割合は８［％］である。

これら図１９の各撮像画像の濃度範囲グループの割合は、全て「第１の濃度範囲グループの割合が３０［％］未満、第２の濃度範囲グループの割合が７０［％］以上且つ第３の濃度範囲グループの割合が３０［％］未満」という条件を満たさず車両判別装置により四輪車以外と判別され、実際に撮像画像に撮像されているものもバイクである。

以上から、「第１の濃度範囲グループの割合が３０［％］（第１の閾値とする）未満、第２の濃度範囲グループの割合が７０［％］（第２の閾値とする）以上且つ第３の濃度範囲グループの割合が３０［％］（第３の閾値とする）未満」という条件を満たした場合には、撮像画像に含まれる車両は四輪車以外であると判断することができる。実証でも同じ撮像環境ではなく異なる撮像環境のデータを用いており、撮像環境の変化にも対応してこの条件で判別することが可能となる。撮像環境は、時間の相違（昼間、夕方）、天候の相違（晴れ、曇り）、撮像距離の相違（設置場所の異なる撮像装置）、撮像装置自体の相違（仕様、メーカーの異なる撮像装置）等により異なる。殆どの撮像環境に対してこの条件で対応することが可能となるが、仮に対応することができなくとも、この条件を元に第１の閾値、第２の閾値、第３の閾値を調整することで容易に対応することができる。

［４．本実施形態の効果］
このように本実施形態に係る車両判別装置によれば、ヒストグラムデータを割合算出部２１８が濃度範囲グループ毎の画素数を合算し、濃度範囲グループ毎の合算画素数の全画素数での割合を求め、車両判別部２１５がこの求めた濃度範囲グループ毎の割合が所定条件を満たすか否かで撮像画像に撮像されているものが四輪車かそれ以外のものかを判別するので、第１の実施形態に係る車両判別装置と同様に撮像画像に撮像されているものが四輪車か否か判断することができることに加え、前記クラスタリング部２１３及び連続性特定部２１４での処理に比べより簡易なやり方で求めたデータに基づき迅速且つ処理負担なく車両判別することができる。

（その他の実施形態）
［撮像装置を複数位置に配置した場合］ 前記第１の実施形態においては、撮像装置となるＣＣＤカメラを同一地点に２つ配置した構成となっていたが、複数地点にＣＣＤカメラを配置する構成にすることもでき、各地点毎の撮像画像を撮像地点識別番号と共に車両判別装置が取り込み、車両判別を実施して車両判別結果を撮像地点識別番号と共に管理コンピュータ３０に出力する構成にすることもできる。
そうすることで、各時点の撮像画像毎に車両判別結果を受け取ることができる。

［パターンマッチングの場合］ 前記第１の実施形態においては、クラスタデータからクラスタラベル番号の連続性を特定し、特定した連続性に基づき車両判別を実施していたが、予め多数の四輪車以外の車両が写り込んでいる撮像画像からヒストグラムを求めてクラスタデータ求めて平均化した平均クラスタデータを記憶装置に格納しておき、この平均クラスタデータと現在対象となっている画像のクラスタデータを比較して誤差を求め、この誤差が閾値以上であれば四輪車であると判別し、誤差が閾値より小さければ四輪車でないと判別する構成にすることもできる。

特に、予め格納される平均クラスタデータが現在の撮像装置１０で撮像された画像から求められた場合には、かかる環境条件が反映されており、より精度高く車両判別を実施することができる。
また、複数の撮像装置１０が配置される場合には、それぞれの撮像装置１０毎に予め四輪車以外の車両が写り込むように撮像を実施し、かかる撮像画像からそれぞれの平均クラスタデータを求め、撮像装置１０毎に対応する平均クラスタデータと現在対象となっている撮像画像のクラスタデータとを比較することで車両判別を実施することもできる。そうすることで、それぞれの環境条件が反映された平均クラスタデータが得られ、それぞれの撮像装置１０に対して精度の高い車両判別を実施することができる。

さらには、誤差に基づき車両を判別する方法の代わりにパターンマッチングの技術を用いてクラスタデータのグラフと対象とする画像のクラスタデータのグラフとをパターンマッチングして所定以上の類似度を有する場合に、対象となる画像には四輪車以外が写り込んでいると判断する構成にすることもできる。

［閾値設定］ 前記第１の実施形態においては、一般的な閾値の値が存在し、環境の条件を考慮した場合には車両判別装置の導入時にテストを実施して導入業者が設定する必要も生じるが、協働する撮像装置で撮像された四輪車でない車両が写り込んでいる画像（複数の画像を平均化した画像でもよい）からクラスタデータを求め、このクラスタデータから最小濃度範囲のクラスタラベル番号の連続性、最大濃度範囲のクラスタラベル番号の連続性から第１の閾値、第２の閾値を求める構成にすることもできる。
そうすることで、撮像装置で四輪車でない車両が写り込んでいる画像を撮像するだけで、自動的に閾値を設定することができる。
特に、このような閾値の設定を定期的に実施することで、環境の条件が変わった場合であっても適切に車両判別を実施することができる。

この閾値設定は第２の実施形態についても適用することができる。すなわち、協働する撮像装置で撮像された四輪車でない車両が写り込んでいる画像（複数の画像を平均化した画像でもよい）又は四輪車が写り込んでいない画像（複数の画像を平均化した画像でもよい）からヒストグラムデータを求め、第１の濃度範囲グループの割合、第２の濃度範囲グループの割合及び第３の濃度範囲グループの割合を求め、この割合から第１の閾値、第２の閾値、第３の閾値を求める構成にすることもできる。さらに、四輪車が写り込んでいない複数の撮像画像から第１の濃度範囲グループの割合を求めその中で最も高い値を第１の閾値とし、四輪車が写り込んでいない複数の撮像画像から第２の濃度範囲グループの割合を求めその中で最も低い値を第２の閾値とし、四輪車が写り込んでいない複数の撮像画像から第３の濃度範囲グループの割合を求めその中で最も高い値を第３の閾値とすることもできる。さらにまた、それぞれの濃度範囲グループの割合の平均値をそれぞれの閾値とすることもできる。

他に、四輪車が写り込んでいない複数の撮像画像から第１の濃度範囲グループの割合を求めその中で最も高い値を第１の閾値候補とし、四輪車が写り込んでいない複数の撮像画像から第２の濃度範囲グループの割合を求めその中で最も低い値を第２の閾値候補とし、四輪車が写り込んでいない複数の撮像画像から第３の濃度範囲グループの割合を求めその中で最も高い値を第３の閾値候補とし、四輪車が写り込んでいる複数の撮像画像から第１の濃度範囲グループの割合を求めその中で最も低い値を第１の比較値とし、四輪車が写り込んでいる複数の撮像画像から第２の濃度範囲グループの割合を求めその中で最も高い値を第２の比較値とし、四輪車が写り込んでいる複数の撮像画像から第３の濃度範囲グループの割合を求めその中で最も低い値を第３の比較値とし、第１の閾値候補と第１の比較値を比較して第１の閾値候補が小さく、第２の閾値候補と第２の比較値を比較して第２の閾値候補が大きく、並びに、第３の閾値候補と第３の比較値を比較して第３の閾値候補が小さいときにそれぞれの閾値候補を閾値として設定する構成にすることもできる。そうすることで、四輪車が写り込んでいない撮像画像から導き出される閾値候補が、四輪車が写り込んでいる撮像画像を判別可能であるか否かを事前に試した上で閾値を設定することができる。特に、閾値候補と比較値を比較する場合に十分にその差があることを条件にすることが望ましい。微差で閾値候補で閾値設定した場合にその閾値近傍の条件で車両を誤認する可能性がある。

以上の前記各実施形態により本発明を説明したが、本発明の技術的範囲は実施形態に記載の範囲には限定されず、これら各実施形態に多様な変更又は改良を加えることが可能である。そして、かような変更又は改良を加えた実施の形態も本発明の技術的範囲に含まれる。このことは、特許請求の範囲及び課題を解決する手段からも明らかなことである。

上記実施例を含む実施形態に関し、更に以下の付記を開示する。
（付記１） 車両を撮像する撮像装置で撮像された対象画像から当該画像の濃度分布を示すヒストグラムデータを取得するヒストグラム作成手段と、前記ヒストグラムデータを所定のクラスタ数にクラスタリングすることにより、前記ヒストグラムデータを所定数のクラスタラベル番号を有するクラスタに分類されたクラスタデータを取得するクラスタリング手段と、前記クラスタデータから最小濃度からのクラスタに関する情報を特定する第１の特定手段と、前記クラスタデータから最大濃度からのクラスタに関する情報を特定する第２の特定手段と、前記第１の特定手段により取得された対応する情報と、前記第２の特定手段により取得された対応する情報に基づいて、前記対象画像中の車両の判別を行う車両判別手段を備えることを特徴とする車両判別装置。

（付記２） 前記付記１に記載の車両判別装置であって、前記第１の特定手段は、クラスタデータから最小濃度からのクラスタラベル番号の連続性を特定し、前記第２の特定手段は、クラスタデータから最大濃度からのクラスタラベル番号の連続性を特定し、前記車両判別手段は、最小濃度からのクラスタラベル番号の連続性に関する情報及び／又は最大濃度からのクラスタラベル番号の連続性に関する情報に基づいて、前記対象画像中の車両を判別することを特徴とする車両判別装置。

（付記３） 前記付記２に記載の車両判別装置であって、前記車両判別手段は、最小濃度からのクラスタラベル番号の連続性、及び／又は、最大濃度からのクラスタラベル番号の連続性が、所定の閾値より小さい場合に、前記対象画像中の車両を四輪車であると判別することを特徴とする車両判別装置。

（付記４） 前記付記１乃至３に記載の車両判別装置であって、前記車両判別手段は、最小濃度のクラスタラベル番号と最大濃度のクラスタラベル番号とが同一でない場合に、前記対象画像中の車両を四輪車であると判別することを特徴とする車両判別装置。

（付記５） 前記付記１乃至４に記載の車両判別装置であって、前記車両判別手段は、最小濃度からのクラスタラベル番号の連続性、及び／又は、最大濃度からのクラスタラベル番号の連続性が、所定の閾値より大きい場合に、前記対象画像中の車両を四輪車以外であると判別することを特徴とする車両判別装置。

（付記６） 前記付記１乃至５に記載の車両判別装置であって、前記車両判別手段は、最小濃度からのクラスタラベル番号の連続性に係わる第１の閾値と、最大濃度からのクラスタラベル番号の連続性に係わる第２の閾値を有することを特徴とする車両判別装置。

（付記７） 車両を撮像する撮像装置で撮像された対象画像をヒストグラム処理するヒストグラム作成手段と、ヒストグラムデータを所定のクラスタ数でクラスタリングするクラスタリング手段と、クラスタデータから最小濃度からのクラスタラベル番号の連続性を特定する第１の特定手段と、クラスタデータから最大濃度からのクラスタラベル番号の連続性を特定する第２の特定手段と、最小濃度のクラスタラベル番号と最大濃度のクラスタラベル番号とが同一であるという第１の判別条件、最小濃度からのクラスタラベル番号の連続性が第１の閾値より大きいという第２の判別条件、並びに、最大濃度からのクラスタラベル番号の連続性が第２の閾値より大きいという第３の判別条件を満たす場合に、対象画像に四輪車が写り込んでいないと判別し、第１の判別条件、第２の判別条件及び第３の判別条件のいずれかを満たさない場合に、対象画像に四輪車が写り込んでいると判別する車両判別手段とを備える車両判別装置。

（付記８） 前記付記１乃至７に記載の車両判別装置であって、前記ヒストグラム作成手段は、車両を撮像する撮像装置で撮像された対象画像から当該画像のＲ成分（赤色成分）の濃度分布を示すヒストグラムを取得し、前記クラスタリング手段は、前記ヒストグラム作成手段により取得された前記Ｒ成分のヒストグラムデータを所定数のクラスタラベルにクラスタリングし、前記第１の特定手段は、前記クラスタリング処理手段により取得されたＲ成分のクラスタデータのうちから最小濃度からのクラスタラベルに関する情報を特定し、前記第２の特定手段は、前記クラスタリング処理手段により取得されたＲ成分のクラスタデータのうちから最大濃度からのクラスタラベルに関する情報を特定することを特徴とする車両判別装置。

（付記９） 付記１乃至８に記載の車両判別装置であって、クラスタラベル番号の連続性に基づき閾値を決定する閾値決定手段を新たに備え、前記撮像装置で撮像される画像のうち車両が写り込んでいない対象画像をヒストグラム作成手段でヒストグラム処理し、ヒストグラムデータをクラスタリング手段でクラスタリングし、第１の特定手段で最小濃度からのクラスタラベル番号の連続性を特定し、第２の特定手段で最大濃度からのクラスタラベル番号の連続性を特定し、最小濃度からのクラスタラベル番号の連続性に基づき閾値決定手段が第１の閾値を決定し、最大濃度からのクラスタラベル番号の連続性に基づき閾値決定手段が第２の閾値を決定することを特徴とする車両判別装置。

（付記１０） 所定範囲を通過する車両を撮像する撮像装置と、撮像された対象画像から車両が四輪車か四輪車以外かを判別する車両判別装置とを備える車両判別システムであって、前記車両判別装置が、前記撮像装置で撮像された対象画像からＲ成分を取り出してヒストグラム処理する手段と、ヒストグラムデータを所定のクラスタ数でクラスタリングする手段と、クラスタデータから最小濃度からのクラスタラベル番号の連続性を特定する手段と、クラスタデータから最大濃度からのクラスタラベル番号の連続性を特定する手段と、最小濃度のクラスタラベル番号と最大濃度のクラスタラベル番号とが同一であるという第１の判別条件、最小濃度からのクラスタラベル番号の連続性が第１の閾値より大きいという第２の判別条件、並びに、最大濃度からのクラスタラベル番号の連続性が第２の閾値より大きいという第３の判別条件を満たす場合に、対象画像に四輪車が写り込んでいないと判別し、第１の判別条件、第２の判別条件及び第３の判別条件のいずれかを満たさない場合に、対象画像に四輪車が写り込んでいると判別する車両判別手段と、車両判別結果を出力する手段とを備える車両判別システム。

（付記１１） コンピュータを、車両を撮像する撮像装置で撮像された対象画像からＲ成分を取り出してヒストグラム処理する手段と、ヒストグラムデータを所定のクラスタ数でクラスタリングする手段と、クラスタデータから最小濃度からのクラスタラベル番号の連続性を特定する手段と、クラスタデータから最大濃度からのクラスタラベル番号の連続性を特定する手段と、最小濃度のクラスタラベル番号と最大濃度のクラスタラベル番号とが同一であるという第１の判別条件、最小濃度からのクラスタラベル番号の連続性が第１の閾値より大きいという第２の判別条件、並びに、最大濃度からのクラスタラベル番号の連続性が第２の閾値より大きいという第３の判別条件を満たす場合に、対象画像に四輪車が写り込んでいないと判別し、第１の判別条件、第２の判別条件及び第３の判別条件のいずれかを満たさない場合に、対象画像に四輪車が写り込んでいると判別する車両判別手段として機能させるためのプログラム。

（付記１２） 車両を撮像する撮像装置で撮像された対象画像から当該画像の濃度分布を示すヒストグラムデータを取得するヒストグラム作成手段と、当該ヒストグラムデータを用いて連続した複数の濃度値からなる濃度値グループに属する濃度値の画素数を合算し、それぞれの濃度値グループの画素数の全画素数中での割合を求める割合算出手段と、
前記求めた各濃度値グループの割合に基づいて、前記対象画像中の車両の判別を行う車両判別手段を備える車両判別装置。

（付記１３） 車両を撮像する撮像装置で撮像された対象画像から当該画像の濃度分布を示すヒストグラムデータを取得するヒストグラム作成手段と、当該ヒストグラムデータを用いて最小濃度から連続した複数の濃度値からなる第１の濃度値グループに属する濃度値の画素数、最大濃度から連続した複数の濃度値からなる第３の濃度値グループに属する濃度値の画素数、並びに、第１の濃度値グループ及び第３の濃度値グループに属しない連続した濃度値からなる第２の濃度値の画素数をそれぞれ合算し、それぞれの濃度値グループの画素数の全画素数中での割合を求める割合算出手段と、前記求めた第１の濃度値グループの割合、第２の濃度値グループの割合、第３の濃度値グループの割合の少なくとも一つを用いて、前記対象画像中の車両の判別を行う車両判別手段を備える車両判別装置。

（付記１４） 車両判別装置が、前記第１の濃度値グループの割合が第１の閾値未満、第２の濃度値グループの割合が第２の閾値以上、及び、第３の濃度値グループの割合が第３の閾値未満でない場合に対象画像に四輪車が写り込んでいると判別する前記付記１３に記載の車両判別装置。

（付記１５） ヒストグラムデータを濃度値の画素数について平滑化する平滑化手段とを新たに含み、ヒストグラム作成手段で取得されたヒストグラムデータを平滑化手段が平滑化し、当該平滑したヒストグラムデータから割合算出手段が濃度値グループの割合を求める前記付記１２または１３に記載の車両判別装置。

（付記１６） 濃度値グループの割合に基づき閾値を決定する閾値決定手段を新たに備え、前記撮像装置で撮像される画像のうち四輪車が写り込んでいない対象画像及び／又は四輪車が写り込んでいる対象画像をヒストグラム作成手段でヒストグラム処理し、ヒストグラムデータから割合算出手段で濃度値グループの割合を求め、閾値決定手段が少なくとも、第１の濃度値グループの割合に基づく第１の閾値の決定、第２の濃度値グループの割合に基づく第２の閾値の決定、第３の濃度値グループの割合に基づく第３の閾値の決定のいずれかを実行する前記付記１４に記載の車両判別装置。

本発明の発明原理を説明する図である。 本発明の第１の実施形態に係る撮像環境の説明図である。 本発明の第１の実施形態に係るシステム構成図及び車両判別装置のハードウェア構成図である。 本発明の第１の実施形態に係る車両判別装置のブロック構成図である。 本発明の第１の実施形態に係る撮像装置で撮像された撮像画像（車両が撮像されず路面のみが撮像された場合）である。 本発明の第１の実施形態に係る撮像装置で撮像された撮像画像（四輪車が撮像された場合）である。 本発明の第１の実施形態に係る撮像装置で撮像された撮像画像（二輪車が撮像された場合）である。 図６をヒストグラム処理して生成したヒストグラム図である。 図７をヒストグラム処理して生成したヒストグラム図である。 図８をクラスタリングしたグラフ図である。 図９をクラスタリングしたグラフ図である。 本発明の第１の実施形態に係る車両判別装置の動作フローチャートである。 本発明の第１の実施形態に係る車両判別装置の連続性特定処理の詳細フローチャートである。 本発明の第１の実施形態に係る車両判別装置の連続性特定処理の詳細フローチャートである。 本発明の第２の実施形態に係る車両判別装置のブロック構成図である。 本発明の第２の実施形態に係る車両判別装置の動作フローチャートである。 本発明の第２の実施形態に係る車両判別装置の詳細フローチャートである。 本発明の第２の実施形態に係る車両判別装置のヒストグラムグラフ図及びその濃度範囲グループ毎の画素数の割合を示すグラフである。 本発明の第２の実施形態に係る車両判別装置のヒストグラムグラフ図及びその濃度範囲グループ毎の画素数の割合を示すグラフである。

符号の説明

１０ 撮像装置
３０ 管理コンピュータ
２００ 車両判別装置
２１０ ＣＰＵ（プロセッサ）
２１１ 入力部
２１２ ヒストグラム作成部
２１３ クラスタリング部
２１４ 連続性特定部
２１５ 車両判別部
２１６ 出力部
２１７ 平滑化部
２１８ 割合算出部
２２０ ＤＲＡＭ
２３０ ＨＤ
２４０ ディスプレイ
２５０ キーボード
２６０ マウス
２７０ ＬＡＮカード
２８０ ＣＤ−ＲＯＭドライブ

Claims (7)

1. 車両を撮像する撮像装置で撮像された対象画像から当該画像の濃度分布を示すヒストグラムデータを取得するヒストグラム作成手段と、
   前記ヒストグラムデータを所定のクラスタ数にクラスタリングすることにより、前記ヒストグラムデータを所定数のクラスタラベル番号を有するクラスタに分類されたクラスタデータを取得するクラスタリング手段と、
   前記クラスタデータから最小濃度からのクラスタラベル番号の連続性を特定する第１の特定手段と、
   前記クラスタデータから最大濃度からのクラスタラベル番号の連続性を特定する第２の特定手段と、
   前記第１の特定手段により特定された最小濃度からのクラスタラベル番号の連続性及び最大濃度からのクラスタラベル番号の連続性が所定の閾値より小さい場合に前記対象画像中の車両を四輪車であると判別し、前記第１の特定手段により特定された最小濃度からのクラスタラベル番号の連続性及び最大濃度からのクラスタラベル番号の連続性が所定の閾値より大きい場合に前記対象画像中の車両を四輪車以外であると判別する車両判別手段を備えることを特徴とする車両判別装置。
2. 請求項１に記載の車両判別装置であって、
   前記ヒストグラム作成手段は、車両を撮像する撮像装置で撮像された対象画像から当該画像のＲ成分（赤色成分）の濃度分布を示すヒストグラムを取得し、
   前記クラスタリング手段は、前記ヒストグラム作成手段により取得された前記Ｒ成分のヒストグラムデータを所定のクラスタ数にクラスタリングし、
   前記第１の特定手段は、前記クラスタリング処理手段により取得されたＲ成分のクラスタデータから最小濃度からのクラスタラベル番号の連続性を特定し、
   前記第２の特定手段は、前記クラスタリング処理手段により取得されたＲ成分のクラスタデータから最大濃度からのクラスタラベル番号の連続性を特定することを特徴とする車
   両判別装置。
3. 請求項１又は２に記載の車両判別装置であって、
   前記車両判別手段は、前記最小濃度からのクラスタラベル番号の連続性に係わる第１の閾値と、前記最大濃度からのクラスタラベル番号の連続性に係わる第２の閾値を有することを特徴とする車両判別装置。
4. 請求項３に記載の車両判別装置であって、
   前記車両判別手段は、前記最小濃度のクラスタラベル番号と前記最大濃度のクラスタラベル番号とが同一であるという第１の判別条件、前記最小濃度からのクラスタラベル番号の連続性が前記第１の閾値より大きいという第２の判別条件、並びに、前記最大濃度からのクラスタラベル番号の連続性が前記第２の閾値より大きいという第３の判別条件を満たす場合に、前記対象画像に四輪車が写り込んでいないと判別し、前記第１の判別条件、第２の判別条件及び第３の判別条件のいずれかを満たさない場合に、前記対象画像に四輪車が写り込んでいると判別することを特徴とする車両判別装置。
5. クラスタラベル番号の連続性に基づき閾値を決定する閾値決定手段を新たに備え、
   前記撮像装置で撮像される画像のうち車両が写り込んでいない対象画像をヒストグラム作成手段でヒストグラム処理し、
   ヒストグラムデータをクラスタリング手段でクラスタリングし、
   第１の特定手段で最小濃度からのクラスタラベル番号の連続性を特定し、
   第２の特定手段で最大濃度からのクラスタラベル番号の連続性を特定し、
   最小濃度からのクラスタラベル番号の連続性、及び又は、最大濃度からのクラスタラベル番号の連続性に基づき前記閾値決定手段が前記閾値を決定する
   前記請求項４に記載の車両判別装置。
   
6. 所定範囲を通過する車両を撮像する撮像装置と、撮像された対象画像から車両が四輪車か四輪車以外かを判別する車両判別装置とを備える車両判別システムであって、
   車両を撮像する撮像装置で撮像された対象画像から当該画像の濃度分布を示すヒストグラムデータを取得するヒストグラム作成手段と、
   前記ヒストグラムデータを所定のクラスタ数にクラスタリングすることにより、前記ヒストグラムデータを所定数のクラスタラベル番号を有するクラスタに分類されたクラスタデータを取得するクラスタリング手段と、
   前記クラスタデータから最小濃度からのクラスタラベル番号の連続性を特定する第１の特定手段と、
   前記クラスタデータから最大濃度からのクラスタラベル番号の連続性を特定する第２の特定手段と、
   前記第１の特定手段により特定された最小濃度からのクラスタラベル番号の連続性及び最大濃度からのクラスタラベル番号の連続性が所定の閾値より小さい場合に前記対象画像中の車両を四輪車であると判別し、前記第１の特定手段により特定された最小濃度からのクラスタラベル番号の連続性及び最大濃度からのクラスタラベル番号の連続性が所定の閾値より大きい場合に前記対象画像中の車両を四輪車以外であると判別する車両判別手段を備えることを特徴とする車両判別システム。
7. コンピュータを、
   車両を撮像する撮像装置で撮像された対象画像から当該画像の濃度分布を示すヒストグラムデータを取得するヒストグラム作成手段と、
   前記ヒストグラムデータを所定のクラスタ数にクラスタリングすることにより、前記ヒストグラムデータを所定数のクラスタラベル番号を有するクラスタに分類されたクラスタデータを取得するクラスタリング手段と、
   前記クラスタデータから最小濃度からのクラスタラベル番号の連続性を特定する第１の特定手段と、
   前記クラスタデータから最大濃度からのクラスタラベル番号の連続性を特定する第２の特定手段と、
   前記第１の特定手段により特定された最小濃度からのクラスタラベル番号の連続性及び最大濃度からのクラスタラベル番号の連続性が所定の閾値より小さい場合に前記対象画像中の車両を四輪車であると判別し、前記第１の特定手段により特定された最小濃度からのクラスタラベル番号の連続性及び最大濃度からのクラスタラベル番号の連続性が所定の閾値より大きい場合に前記対象画像中の車両を四輪車以外であると判別する車両判別手段として機能させることを特徴とする車両判別プログラム。

Images